[논문리뷰] AgentSWE: Can Coding Agents Build the Agent You Actually Want?본 논문은 코딩 에이전트가 자연어 요구사항에 따라 에이전트를 구축할 때, 완성된 에이전트가 실제 사용자 의도에 충실하게 작동하는지에 대한 검증이 부족하다는 핵심 문제를 제기합니다.#Review#Coding Agents#Agent Software Engineering#Benchmark#Agent Development Lifecycle#Held-out Cases#Fidelity#Overfitting#Failure Modes2026년 10월 12일댓글 수 로딩 중
[논문리뷰] RRSI: Regularized Recursive Self-Improvement of Agent HarnessesLLM 에이전트의 역량은 고정된 백본 모델 주변의 프롬프트, 제어 흐름, 툴 인터페이스, 메모리 및 컨텍스트 관리 등을 포함하는 Harness에 의해 크게 좌우됩니다.#Review#LLM Agents#Harness Evolution#Recursive Self-Improvement (RSI)#Regularization#Overfitting#Generalization#Policy Tokens2026년 9월 21일댓글 수 로딩 중
[논문리뷰] Scaling Domain Data Repetition in LLM Pretraining본 연구는 모델 규모가 커질수록 컴퓨팅 최적화 학습을 위해 더 많은 토큰이 필요하지만, 고품질 도메인 데이터 확보가 어렵다는 불균형 문제를 해결하고자 합니다.#Review#LLM Pretraining#Data Repetition#Tokens-per-parameter Ratio#Scaling Laws#Domain Adaptation#Overfitting2026년 8월 16일댓글 수 로딩 중
[논문리뷰] Data Repetition Beats Data Scaling in Long-CoT Supervised Fine-Tuning본 논문은 Chain-of-Thought (CoT) 데이터를 활용한 지도 미세 조정(SFT) 단계에서 제한된 고품질 데이터 를 가장 효과적으로 활용하는 방법을 탐구합니다.#Review#Supervised Fine-tuning (SFT)#Chain-of-Thought (CoT)#Data Repetition#Data Scaling#LLM Training#Generalization#Overfitting#Reasoning Models2026년 2월 11일댓글 수 로딩 중
[논문리뷰] RLoop: An Self-Improving Framework for Reinforcement Learning with Iterative Policy Initialization대규모 추론 모델을 위한 검증 가능한 보상 강화 학습 (RLVR) 에서 발생하는 'RL 오버피팅' 문제를 해결하는 것이 목표입니다. 이 오버피팅은 훈련 보상은 증가하지만 일반화 성능이 저하되는 현상으로, 정책의 과도한 전문화와 훈련 과정 중 다양한 솔루션의 catastrophic forgetting 에 의해 발생합니다.#Review#Reinforcement Learning#LLMs#Generalization#Overfitting#Catastrophic Forgetting#Iterative Policy Optimization#Policy Diversity2025년 11월 10일댓글 수 로딩 중